基于雙通道PCNN 的玉米種子機(jī)械裂紋檢測(cè)方法

張新偉，易克傳，孫業(yè)榮，高連興

（1.安徽科技學(xué)院機(jī)械工程學(xué)院，安徽 滁州 233100；2.吉林農(nóng)業(yè)大學(xué)工程技術(shù)學(xué)院，吉林 長(zhǎng)春 130118；3.玉米育種安徽省工程技術(shù)研究中心，安徽 滁州 233100）

玉米種子機(jī)械脫粒過(guò)程中會(huì)產(chǎn)生機(jī)械裂紋，將影響后續(xù)發(fā)芽以及幼苗的生長(zhǎng)發(fā)育[1-3]，造成玉米種質(zhì)資源浪費(fèi)，導(dǎo)致玉米減產(chǎn)。加強(qiáng)玉米種子機(jī)械裂紋的檢測(cè)，剔除不良種子十分重要。有關(guān)谷物缺陷的檢測(cè)，當(dāng)前主要采用聲學(xué)法[4-6]、機(jī)器視覺(jué)法[7-9]和光譜法[10-12]。聲學(xué)法對(duì)試驗(yàn)環(huán)境、聲音傳感器及其放置位置、物料的下降高度、撞擊角度等要求較苛刻，測(cè)量準(zhǔn)確性難以保證；光譜技術(shù)多用于對(duì)果蔬農(nóng)藥殘留、糖度和可溶性固體等的檢測(cè)；機(jī)器視覺(jué)技術(shù)由于處理速度快、處理方法多樣以及結(jié)果準(zhǔn)確性高的特點(diǎn)而被廣泛應(yīng)用于谷物品質(zhì)檢測(cè)領(lǐng)域，但檢測(cè)時(shí)通常只使用一種檢測(cè)方法。由于玉米種子的形狀、大小及顏色等各不相同，單一檢測(cè)方法易丟失圖像細(xì)節(jié)信息，導(dǎo)致檢測(cè)結(jié)果準(zhǔn)確率低，所以采用融合方法可有效提高玉米種子機(jī)械裂紋檢測(cè)準(zhǔn)確率[13]。張新偉等[14]采用GA+改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）的方法對(duì)粘連玉米籽粒圖像進(jìn)行分割，分割準(zhǔn)確率最高為98%，但方法的實(shí)現(xiàn)或因?yàn)榕c其他方法結(jié)合耗時(shí)較長(zhǎng)，或因采用多個(gè)PCNN模型而使得計(jì)算過(guò)程復(fù)雜。針對(duì)玉米種子機(jī)械裂紋細(xì)節(jié)多及檢測(cè)過(guò)程中 PCNN 融合圖像時(shí)計(jì)算量大、效率低的問(wèn)題，筆者采用雙通道PCNN 模型對(duì)玉米種子的機(jī)械裂紋進(jìn)行融合檢測(cè)，以期提高玉米種子內(nèi)部機(jī)械裂紋檢測(cè)的準(zhǔn)確率。

1 玉米種子圖像采集及檢測(cè)

1.1 圖像采集及處理

選用玉米育種安徽省工程技術(shù)研究中心提供的‘鳳甜11’玉米種子作研究材料。成像系統(tǒng)主要由光源和成像裝置2 部分組成。光源采用LED 燈泡。將待檢測(cè)的玉米種子放置在玻璃托盤(pán)上，LED 光自通光孔照射到光箱內(nèi)，再透過(guò)玻璃托盤(pán)照射到玉米種子上，此時(shí)可以觀察到玉米種子上存在的機(jī)械裂紋；成像裝置與顯示器連接，通過(guò)顯示器觀察玉米種子的裂紋，獲取玉米種子圖像。

將待檢測(cè)玉米種子的RGB 彩色圖像（圖1-a）中的紅、綠和藍(lán)3 基色分別單獨(dú)轉(zhuǎn)換為灰度圖像（圖1-b），并分別得到對(duì)應(yīng)的灰度直方圖（圖1-d、圖1-e、圖1-f）。

圖1 玉米種子灰度圖像各分量直方圖Fig.1 Histogram of gray image components for corn seeds

從圖1 可知，原藍(lán)色分量的灰度值基本服從正態(tài)分布，灰度值主要集中在50 至180 之間。藍(lán)色分量的灰度圖像玉米籽粒區(qū)域輪廓清晰，輪廓邊緣與圖像背景像素差異明顯，而且玉米籽粒區(qū)域內(nèi)部的灰度均勻，沒(méi)有灰度突變情況，所以選擇玉米種子的藍(lán)色分量灰度圖像作為待檢測(cè)圖像。

1.2 玉米種子圖像融合模型的建立

1.2.1 玉米種子圖像的DWT 和NSCT 分解

分別應(yīng)用離散小波變換（DWT）[15]和非下采樣輪廓波變換（NSCT）[16]方法，對(duì)玉米種子圖像進(jìn)行4級(jí)分解。

1.2.2 PCNN 模型及改進(jìn)

分析傳統(tǒng)的PCNN 數(shù)學(xué)模型[17]可知其為單輸出。當(dāng)采用傳統(tǒng)PCNN 模型進(jìn)行數(shù)字圖像融合時(shí)需要同時(shí)應(yīng)用多個(gè)PCNN 模型，在實(shí)際融合過(guò)程中并不方便，因而對(duì)傳統(tǒng)PCNN 模型進(jìn)行改進(jìn)，即將單通道輸出改進(jìn)為雙通道輸出。其數(shù)學(xué)描述如下：

式中：σ為神經(jīng)元內(nèi)部平衡因子；Hk為外部第k個(gè)輸入通道，k值取1 和2；f（·）表示周圍神經(jīng)元對(duì)自己的影響方式；β為內(nèi)部活動(dòng)項(xiàng)的連接系數(shù)；Sij為神經(jīng)元強(qiáng)制激發(fā)的外部激勵(lì)值；Uij為神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)；Yij為神經(jīng)元的輸出，當(dāng)輸出由0 增大至1 時(shí)為神經(jīng)元的點(diǎn)火；αE為動(dòng)態(tài)門(mén)限E的衰減時(shí)間常數(shù)；VE為動(dòng)態(tài)門(mén)限E的放大系數(shù)。

改進(jìn)后的PCNN 模型主要由樹(shù)突樹(shù)、信息融合與脈沖生成器組成。其中樹(shù)突樹(shù)主要用來(lái)接收來(lái)自外部的激勵(lì)輸入和周圍神經(jīng)元的激勵(lì)；信息融合部分主要進(jìn)行圖像數(shù)據(jù)的融合；脈沖生成器主要產(chǎn)生輸出脈沖。

改進(jìn)后的PCNN 模型中，可以改變來(lái)自外部的激勵(lì)數(shù)目，單一通道外部激勵(lì)改變?yōu)殡p通道的外部激勵(lì)。

從改進(jìn)的PCNN 數(shù)學(xué)模型的式（3）和式（4）可以看出，當(dāng)進(jìn)行多幅圖像融合處理時(shí)，同一像素位置亮度較高的像素最早被點(diǎn)火，同時(shí)改進(jìn)模型考慮了傳統(tǒng)PCNN模型原有的圖像增強(qiáng)功能以及人眼視覺(jué)特性，其并不直接輸出融合后的圖像，而是以改進(jìn)PCNN 模型的賦時(shí)矩陣作為對(duì)數(shù)亮度的輸出，并結(jié)合人眼視覺(jué)的Weber-Fechner 定律[18]，從而使得融合后的圖像既滿足人眼的視覺(jué)特性，同時(shí)又有一定的圖像增強(qiáng)效果。

1.2.3 玉米種子圖像融合

玉米種子圖像融合流程如圖2 所示。

圖2 玉米種子圖像融合流程Fig.2 Chart of image fusion for damaged corn seeds

1） 運(yùn)用DWT 和NSCT 分別將玉米種子的圖像進(jìn)行分解，各得到1 個(gè)低頻子帶和4 個(gè)高頻子帶。

2） 將得到的2 個(gè)低頻子帶系數(shù)與2個(gè)高頻子帶系數(shù)分別通過(guò)各自的雙通道PCNN 進(jìn)行計(jì)算融合，得到全新的低頻子帶系數(shù)和高頻子帶系數(shù)。

3） 通過(guò)NSCT 反變換得到最終的圖像。

根據(jù)戴進(jìn)墩等[19]的研究，在計(jì)算高低頻子帶融合系數(shù)時(shí)，需要使用不同的鏈接強(qiáng)度系數(shù)。高頻子帶融合時(shí)，選取張新偉等[20]的關(guān)于PCNN 鏈接系數(shù)β的計(jì)算方法；由于低頻子帶系數(shù)本身基本可以反映源圖像像素的分布特點(diǎn)，所以低頻子帶融合時(shí)直接使用子帶自身系數(shù)作為鏈接強(qiáng)度系數(shù)。

2 玉米種子機(jī)械裂紋的檢測(cè)

為判斷基于雙通道PCNN 方法的有效性，引用典型評(píng)價(jià)指標(biāo)[21]，即圖像熵、相關(guān)熵、相關(guān)系數(shù)、均方根誤差，并選用LoG[22]、DWT、NSCT 和PCNN方法作對(duì)比，對(duì)‘鳳甜11’玉米種子進(jìn)行裂紋檢測(cè)。通過(guò)多次不同參數(shù)組合試驗(yàn)比較，將雙通道PCNN參數(shù)設(shè)置為：σ=1，αE=0.01，VE=5000，γ=αE，β1=β2=1，f1（·）=f2（·）=Y[n-1]○×K，其中○×表示卷積運(yùn)算，且K=[0.109 1 0.140 9 0.109 1；0.140 9 0.140 9 0.109 1 0.140 9 0.109 1]。各算法均在Matlab 2017b 環(huán)境下實(shí)現(xiàn)。檢測(cè)結(jié)果列于表1。

表1 不同算法對(duì)‘鳳甜11’玉米種子裂紋檢測(cè)的結(jié)果Table 1 Evaluation indicators of mechanical cracks detection for ‘Fengtian11’ by different algorithms

表1 結(jié)果表明，雙通道PCNN 方法檢測(cè)準(zhǔn)確率最高，LoG 方法的準(zhǔn)確率最低；雙通道PCNN 方法圖像熵為0.351 1，遠(yuǎn)高于對(duì)比檢測(cè)方法，是LoG的4.19 倍，是PCNN 的1.78 倍；雙通道PCNN 方法相關(guān)熵是NSCT 的2.74 倍，是PCNN 的1.24 倍；雙通道PCNN 相關(guān)系數(shù)比LoG、DWT、NSCT 和PCNN 分別高出0.166 0、0.136 4、0.085 2、0.064 9；雙通道PCNN 均方根誤差最小，僅為DWT 的59.5%和PCNN 的約77.9%；雙通道PCNN 的運(yùn)行時(shí)間長(zhǎng)于各對(duì)比檢測(cè)方法的運(yùn)行時(shí)間。

不同算法對(duì)玉米種子輪廓與機(jī)械裂紋檢測(cè)效果如圖3 所示。LoG 的檢測(cè)效果最差，玉米種子的邊緣像素?cái)嚅_(kāi)，并且出現(xiàn)較多的噪聲（圖3-a），這主要是因?yàn)長(zhǎng)oG 是基于梯度圖像模值大小進(jìn)行檢測(cè)的，在平滑的同時(shí)容易導(dǎo)致對(duì)比度下降； PCNN 檢測(cè)的效果要略好于LoG 的（圖3-b），但在玉米種子邊緣內(nèi)部的非裂紋處出現(xiàn)了較多的虛假邊緣，可能是因?yàn)槲锤倪M(jìn)PCNN數(shù)學(xué)模型的神經(jīng)元外部激勵(lì)只有1 個(gè)，進(jìn)行融合操作時(shí)使用雙層PCNN 模型，增加計(jì)算復(fù)雜度的同時(shí)引入了噪聲；DWT 和NSCT的檢測(cè)效果（圖3-c 和圖3-d）好于前兩者，沒(méi)有噪聲出現(xiàn)，玉米種子邊緣也很整齊，沒(méi)有出現(xiàn)斷開(kāi)的現(xiàn)象，但在靠近種臍的部位還是出現(xiàn)了少量虛假邊緣；與其他檢測(cè)方法比較發(fā)現(xiàn)，基于雙通道PCNN的檢測(cè)方法的檢測(cè)效果（圖3-e）較理想，籽粒輪廓清晰光滑，裂紋完整，在種臍附近的虛假邊緣最少，優(yōu)于原始灰度圖像的檢測(cè)結(jié)果，這主要是由于雙通道PCNN 模型中神經(jīng)元的外部激勵(lì)通道由原來(lái)的1個(gè)變?yōu)榱? 個(gè)，圖像融合過(guò)程中不再需要借助復(fù)雜的PCNN 模型，一定程度上簡(jiǎn)化了計(jì)算，使得改進(jìn)后的雙通道PCNN 檢測(cè)方法更有效。

圖3 不同算法對(duì)玉米種子輪廓和機(jī)械裂紋的檢測(cè)效果Fig.3 Test results of the profile and the mechanical cracks for corn seeds by different algorithms

使用Canny 算子[23]對(duì)存在機(jī)械裂紋的玉米種子 灰度圖像的各分量圖像進(jìn)行處理，結(jié)果如圖4 所示。

圖4 Canny 檢測(cè)玉米種子圖像R、G、B 分量結(jié)果Fig.4 Detection results of R, G and B components for corn seeds based on Canny

從圖4 中可以看出，玉米種子灰度圖像的藍(lán)色分量檢測(cè)結(jié)果只檢測(cè)到種子的邊緣輪廓，而不能檢測(cè)到玉米種子內(nèi)部的機(jī)械裂紋，如圖4-d 所示。對(duì)比圖3-e 和圖4-d 發(fā)現(xiàn)，可以通過(guò)2 幅圖像的相減去除玉米籽粒輪廓線，得到玉米籽粒的機(jī)械裂紋。

圖3-e 中的玉米籽粒輪廓線與圖4-d 中的輪廓線并不完全一樣，前者的輪廓線更加精確，輪廓線兩側(cè)散落的像素點(diǎn)更少，如果2 幅圖像直接進(jìn)行相減運(yùn)算，只能去除后者的部分邊緣。為更好地提取玉米種子的機(jī)械裂紋，運(yùn)用數(shù)學(xué)形態(tài)學(xué)對(duì)圖4-d 的輪廓線進(jìn)行膨脹操作，結(jié)果如圖5-a 所示。膨脹后的圖像能夠完全覆蓋圖3-e 中輪廓線兩側(cè)散落的像素點(diǎn)。這時(shí)再對(duì)兩圖像進(jìn)行相減運(yùn)算就可以將圖3-e 中的玉米籽粒輪廓線全部刪除，得到對(duì)應(yīng)玉米種子存在的機(jī)械裂紋，如圖5-b 所示。

圖5 玉米種子機(jī)械裂紋的提取及檢測(cè)Fig.5 Extraction and detection of mechanical cracks in corn seeds

根據(jù)數(shù)字圖像知識(shí)可知，圖5-b 是二值圖像，其中黑色部分的像素值為0，機(jī)械裂紋部位的像素值為1。對(duì)機(jī)械裂紋端點(diǎn)部位（圖5-c）進(jìn)行放大處理，如圖5-d 所示。從圖5-d 中可以看出，在機(jī)械裂紋曲線的內(nèi)部像素值為1 的點(diǎn)都聯(lián)通在一起并形成一個(gè)通域。根據(jù)機(jī)械裂紋二值圖像的這一性質(zhì)，運(yùn)用Matlab 2017b 統(tǒng)計(jì)二值圖像內(nèi)部連通區(qū)域個(gè)數(shù)，即可得到對(duì)應(yīng)玉米種子存在的機(jī)械裂紋數(shù)量。

隨機(jī)選取50 粒玉米種子，分別采用雙通道PCNN 方法和人工計(jì)數(shù)方法統(tǒng)計(jì)機(jī)械裂紋數(shù)量，并進(jìn)行3 次重復(fù)。結(jié)果，雙通道PCNN 方法和人工計(jì)數(shù)方法統(tǒng)計(jì)得到的機(jī)械裂紋數(shù)量分別為62.3 條和62 條，兩者幾乎相等，說(shuō)明所建立的基于雙通道PCNN 方法的有效性較高。

3 結(jié)論與討論

針對(duì)玉米種子機(jī)械裂紋檢測(cè)準(zhǔn)確率低的問(wèn)題進(jìn)行研究，提出了基于雙通道PCNN 的數(shù)據(jù)融合檢測(cè)方法。雙通道PCNN 方法的機(jī)械裂紋檢測(cè)準(zhǔn)確率最高為97.5%，高于NSCT（93.5%）、DWT（90.0%）、LoG（89.6%）和PCNN（95.6%）方法的檢測(cè)結(jié)果；雙通道PCNN 方法的圖像熵、相關(guān)熵、相關(guān)系數(shù)、均方根誤差分別為0.351 1、1.731 4、0.983 5 和0.526 3，優(yōu)于各對(duì)比檢測(cè)方法的檢測(cè)效果。

雙通道PCNN檢測(cè)方法的運(yùn)行時(shí)間為14.900 7 s，遠(yuǎn)長(zhǎng)于各對(duì)比算法，可能是雙通道PCNN 模型在高頻子帶融合時(shí)的鏈接強(qiáng)度系數(shù)β計(jì)算的復(fù)雜性導(dǎo)致計(jì)算效率降低，使得運(yùn)行時(shí)間增加，后續(xù)將進(jìn)一步簡(jiǎn)化高頻子帶融合過(guò)程中鏈接強(qiáng)度的計(jì)算方法，縮短運(yùn)行時(shí)間。